一种基于神经网络感知器的双足行走机器人

1、一种基于神经网络感知器的双足行走机 器人1 引言 人作为双足行走生物，是在长期的生物进化过程中形成的。人能够不自 觉地保持身体的直立性和平衡性，不论是在静止不动还是在行走过程中。一旦 失去平衡，人就会产生相应的动作，使身体保持平衡。例如，在静止时，当人 的重心偏向一侧时，就会不自觉地向该侧跨出一脚，以使重心位置落于支撑面 内。这里，支撑面定义为两脚之间的面积以及两脚的面积。当重心落于支撑面 内时，就不会倾倒。再如，在行走过程中，人的重心不断向前移动，1 引言人作为双足行走生物，是在长期的生物进化过程中形成的。人 能够不自觉地保持身体的直立性和平衡性，不论是在静止不动还是在行走过程 中。一旦失去

2、平衡，人就会产生相应的动作，使身体保持平衡。例如，在静止 时，当人的重心偏向一侧时，就会不自觉地向该侧跨出一脚，以使重心位置落 于支撑面内。这里，支撑面定义为两脚之间的面积以及两脚的面积。当重心落 于支撑面内时，就不会倾倒。再如，在行走过程中，人的重心不断向前移动， 超出了两脚尖的位置，迫使人向前迈出脚，这样才使人的行走成为可能，使人 的行走自然流畅。因此，控制机器人重心的位置及重心位置的速度，是机器人 保持稳定及产生有效步态的关键。本文就是控制机器人的重心位置，使其落于 支撑面内，从而达到了机器人稳定性控制的目的。机器人的重心可以由安装在 机器人脚底的力传感器测知。当重心偏向一侧，这一侧的传

3、感器输出偏大，相 反的一侧的力传感器等于零，或趋近于零。本文用感知器来感知机器人重心位 置的变化，当重心超出支撑面时，系统将发出动作指令，使机器人保持稳定。本文采用的神经网络感知器 (Perception) 是最简单的人工神经 网络，它是 F?Rosenblatt 于 1958 年提出的具有自学习能力的感知器。在这种 人工神经网络中，记忆的信息存储在连接权上，外部刺激通过连接通道自动激 活相应的神经元，以达到自动识别的目的。感知器模型如图 1 所示，通常由感 知层 S(Sensory) 、连接层 A(Association) 和反应层构成 R(Response)。2 人工神经元感知器的学习算法

4、可以用下面的方法训练网络：(1)初始化S层至连接层(A层)的连接权矩阵中的各个元素及A层各单元的阀值赋予1,+1之间的随机值，一般情 况下vij =10 j = 0 i = 1,2 ,A, pj = 1,2 ,A, n且在整个学习过程中 保持固定不变。A层至输出层(R层)的连接权矩阵中的各个元素及？S层各单元的阀值 之间的随机值。(2) 训练随机选取一输入、输出模式对 进行以下步骤的训练。第一步,计算连接层各单元的输出0=0102 A0 q赋予-1 , +1(Sk,Yk)，这里 k=1, 2,A, m时，网络第二步,以连接层的输出作为输入层的各单元的输入计算输出层的实际输出在学习过程中，当所有

5、的m个样本模式对都提供给网络学习一遍后,还需从头再继续提供给网络学习。直到达到最大学习次数,以防止发散 或无限震荡,或者满足误差限。3 计算机控制系统机器人重心位置是由脚底的力传感器测定的。当某一侧的传感器输出值趋于零或小于预定的值时,说明重心已经偏向相反的另一侧,机器人处于危险状态。这时机器人就应该产生一定的动作,向另一侧跨出一脚,以使机器人的重心位于支撑面内。整个控制系统如图 2所示其中，y(t)是传感器输出向量，为模拟量，经采样、A/D转 换后为人工神经网络感知器的输入向量 y(kt) 。本文取感知器的输入层单元与输出层单元的个数相同。感知器 经过训练好以后,系统将时实监控机器人的重心位

6、置,当重心偏向某侧,相反侧的力传感器的输入小于设定的安全值时，神经网络相应于该侧的输出为1，其余均为 0，系统将根据神经网络的输出，做出相应的动作指令；当传感器的 输入均大于设定安全值时，神经网络的输出均为0，系统不产生任何动作指令。4 仿真本文假设在机器人的脚底安装有力传感器，左脚的后部、左部 和前部各一个，右脚的前部、右部和后部各一个。依次编号为pi,i=1,2, A6，构成输入向量P= pl, p2, p3, p4, p5, p6T假设机器人的重是100?kgf，当机器人的脚底的传感器输出为2kgf,即认为机器人处于危险状态。设神经网络感知器的输入为对应的理想输出为即认为力传感器的输出为 2kgf 时机器人处于危险状态，传感器的输出为 3kgf 时，认为机器人处于安全状态。连接权值和阀值的初始